Sicherheit und Datenschutz für verteilte Lerntechniken in IoT-gestützten Gesundheitsdiensten (SePRIO)

Der Anstieg digitaler Gesundheitsdaten ist ein bedeutendes Phänomen, das zahlreiche technische und praktische Herausforderungen hinsichtlich der Frage mit sich bringt, wie diese Daten in effizienten, sicheren, datenschutzkonformen und skalierbaren Lösungen für verschiedene Anwendungsfälle im Gesundheitsbereich geteilt, verarbeitet und gespeichert werden sollen. Daher besteht ein grosser Bedarf an innovativen, robusten und datenschutzkonformen verteilten Lerntechniken, die die zugrunde liegenden Datenverarbeitungs-/Analyseprinzipien effektiv umsetzen, ohne die Effizienz und den Nutzen in Gesundheitsanwendungen zu beeinträchtigen. Insbesondere sollten sichere Aggregations- und Datenschutztechniken für verteiltes Lernen, wie z. B. Federated Learning (FL), implementiert, getestet und in Anwendungsfälle im Gesundheitswesen mit IoT-Geräten integriert werden.

In dieser Hinsicht besteht das Hauptziel des SePRIO-Projekts darin, Sicherheit und Datenschutz in verteilte Lerntechniken zu untersuchen und zu integrieren, wobei der Schwerpunkt auf Anwendungsfällen der digitalen Gesundheit mit IoT liegt. Zu diesem Zweck werden wir zunächst eine breite Palette sicherer Aggregations- und datenschutzkonformer Techniken untersuchen. Anschliessend werden wir diese Techniken in unsere KI-Infrastruktur integrieren und unsere erweiterten verteilten Lernmodelle (z. B. FL) zur Analyse offener Gesundheitsdatensätze einsetzen. Schliesslich werden wir die Grenzen und Kompromisse untersuchen.

Dieses Projekt zielt auf verschiedene Ergebnisse ab, darunter eine Open-Source-Software, entsprechende Veröffentlichungen, Vorträge und Präsentationen sowie eine konkrete Zusammenarbeit zwischen zwei EELISA-Universitäten, der ZHAW und der Istanbul Technical University ITU.